Sistem Pakar

Pengertian Sistem Pakar dapat didefinisikan adalah suatu sistem komputer yang
menyamai kemampuan pengambilan keputusan dari sorang pakar. Kata menyamai tersebut
memiliki pengertian bahwa system pakar diharapkan dapat bekerja dalam semua hal seperti
halnya seorang pakar. Sistem pakar merupakan salah satu cabang dari Artificial Intelligent
yang membuat penggunaan secara luas pengetahuan yang khusus untuk penyelesaian masalah
tingkat manusia yang pakar dalam bidang tertentu.

Secara umum, sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan
manusia ke komputer yang dirancang untuk memodelkan kemampuan menyelesaikan
masalah seperti layaknya seorang pakar. Dengan sistem pakar ini, orang awam pun dapat
menyelesaikan masalahnya atau hanya sekedar mencari suatu informasi berkualitas yang
sebenarnya hanya dapat diperoleh dengan bantuan para ahli di bidangnya. Sistem pakar ini
juga akan dapat membantu aktivitas para pakar sebagai asisten yang berpengalaman dan
mempunyai asisten yang berpengalaman dan mempunyai pengetahuan yang dibutuhkan.
Dalam

penyusunannya,

sistem

pakar

mengkombinasikan

kaidah-kaidah

penarikan

kesimpulan (inference rules) dengan basis pengetahuan tertentu yang diberikan oleh satu atau
lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal tersebut disimpan dalam
komputer, yang selanjutnya digunakan dalam proses pengambilan keputusan untuk
penyelesaian masalah tertentu.
Ciri-Ciri Sistem Pakar
Sistem pakar yang baik harus memenuhi ciri-ciri sebagai berikut :

Memiliki informasi yang handal.

Mudah dimodifikasi.

Dapat digunakan dalam berbagai jenis komputer.

Memiliki kemampuan untuk belajar beradaptasi.

Alasan mendasar mengapa ES dikembangkann untuk menggantikan seorang pakar:

Dapat menyediakan kepakaran setiap waktu dan diberbagai lokasi

Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar.
Seorang Pakar akan pensiun atau pergi
Seorang Pakar adalah mahal
Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat (hostile
environtment)
Keuntungan Sistem Pakar
Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem pakar,
antara lain :
1. Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli.
2. Bisa melakukan proses secara berulang secara otomatis.
3.

Menyimpan pengetahuan dan keahlian para pakar.

4. Meningkatkan output dan produktivitas.

5.

Meningkatkan kualitas.

6.

Mampu mengambil dan melestarikan keahlian para pakar (terutama yang termasuk
keahlian langka).

7.

Mampu beroperasi dalam lingkungan yang berbahaya.

8. Memiliki kemampuan untuk mengakses pengetahuan.

9.

Memiliki reabilitas.

10. Meningkatkan kapabilitas sistem komputer.

11. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan
mengandung ketidakpastian.

12. Sebagai media pelengkap dalam pelatihan.

13. Meningkatkan kapabilitas dalam penyelesaian masalah.
14. Menghemat waktu dalam pengambilan keputusan
Kelemahan Sistem Pakar
Di samping memiliki beberapa keuntungan, sistem pakar juga memiliki beberapa
kelemahan, antara lain :
1. Biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal.
2. Sulit dikembangkan. Hal ini tentu saja erat kaitannya dengan ketersediaan pakar di
bidangnya.
3. Sistem Pakar tidak 100% bernilai benar.
Alasan Pengembangan Sistem Pakar, sistem pakar sendiri dikembangkan lebih lanjut
dengan alasan :

Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi.

Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar.

Seorang pakar akan pensiun atau pergi.

Seorang pakar adalah mahal.

Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat.

Perbedaan Sistem Konvensional dengan Sistem Pakar

Modul Penyusun Sistem Pakar

Menurut Staugaard (1987) suatu sistem pakar disusun oleh tiga modul utama yaitu :
1. Modul Penerimaan Pengetahuan (Knowledge Acquisition Mode) Sistem berada pada
modul ini, pada saat ia menerima pengetahuan dari pakar. Proses mengumpulkan
pengetahuan-pengetahuan yang akan digunakan untuk pengembangan sistem,
dilakukan dengan bantuan knowledge engineer. Peran knowledge engineer adalah
sebagai penghubung antara suatu sistem pakar dengan pakarnya.
2. Modul

Konsultasi

(Consultation

Mode)

Pada saat sistem berada pada posisi memberikan jawaban atas permasalahan yang
diajukan oleh user, sistem pakar berada dalam modul konsultasi. Pada modul ini, user
berinteraksi dengan sistem dengan menjawab pertanyaan-pertanyaan yang diajukan
oleh sistem.
3.

Modul

Penjelasan

(Explanation

Mode)

Modul ini menjelaskan proses pengambilan keputusan oleh system (bagaimana suatu
keputusan dapat diperoleh).

Struktur Sistem Pakar, komponen utama pada struktur sistem pakar menurut Hu et al
(1987) meliputi:
1. Basis Pengetahuan (Knowledge Base)
Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu berupa representasi
pengetahuan dari pakar. Basis pengetahuan tersusun atas fakta dan kaidah. Fakta adalah
informasi tentang objek, peristiwa, atau situasi. Kaidah adalah cara untuk membangkitkan
suatu fakta baru dari fakta yang sudah diketahui.
2. Mesin Inferensi (Inference Engine)
Mesin inferensi berperan sebagai otak dari sistem pakar. Mesin inferensi berfungsi
untuk memandu proses penalaran terhadap suatu kondisi, berdasarkan pada basis
pengetahuan yang tersedia. Di dalam mesin inferensi terjadi proses untuk memanipulasi dan
mengarahkan kaidah, model, dan fakta yang disimpan dalam basis pengetahuan dalam rangka
mencapai solusi atau kesimpulan. Dalam prosesnya, mesin inferensi menggunakan strategi
penalaran dan strategi pengendalian. Strategi penalaran terdiri dari strategi penalaran pasti
(Exact Reasoning) dan strategi penalaran tak pasti (Inexact Reasoning). Exact reasoning akan
dilakukan jika semua data yang dibutuhkan untuk menarik suatu kesimpulan tersedia,
sedangkan inexact reasoning dilakukan pada keadaan sebaliknya.Strategi pengendalian
berfungsi sebagai panduan arah dalam melakukan prose penalaran. Terdapat tiga tehnik
pengendalian yang sering digunakan, yaitu forward chaining, backward chaining, dan
gabungan dari kedua teknik pengendalian tersebut.
3. Basis Data (Data Base)
Basis data terdiri atas semua fakta yang diperlukan, dimana fakta fakta tersebut
digunakan untuk memenuhi kondisi dari kaidah-kaidah dalam sistem. Basis data menyimpan
semua fakta, baik fakta awal pada saat sistem mulai beroperasi, maupun fakta-fakta yang
diperoleh pada saat proses penarikan kesimpulan sedang dilaksanakan. Basis data digunakan
untuk menyimpan data hasil observasi dan data lain yang dibutuhkan selama pemrosesan.
4. Antarmuka Pemakai (User Interface)

Fasilitas ini digunakan sebagai perantara komunikasi antara pemakai.dengan

komputer.
Teknik Representasi Pengetahuan
Representasi pengetahuan adalah suatu teknik untuk merepresentasikan basis
pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui
relasi/keterhubungan antara suatu data dengan data yang lain. Teknik ini membantu
knowledge engineer dalam memahami struktur pengetahuan yang akan dibuat sistem
pakarnya. Terdapat beberapa teknik representasi pengetahuan yang biasa digunakan dalam
pengembangan suatu sistem pakar, yaitu
a. Rule-Based Knowledge
Pengetahuan direpresentasikan dalam suatu bentuk fakta (facts) dan aturan (rules).
Bentuk representasi ini terdiri atas premise dan kesimpulan.
b. Frame-Based Knowledge
Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau jaringan frame
c.

Object-Based Knowledge
Pengetahuan direpresentasikan sebagai jaringan dari obyek-obyek. Obyek adalah
elemen data yang terdiri dari data dan metoda (proses).

d.

Case-Base Reasoning
Pengetahuan direpresentasikan dalam bentuk kesimpulan kasus (cases).

Inferencing dengan Rule : Forward dan Backward Chaining

Inferensi dengan rules merupakan implementasi dari modus ponen, yang direfleksikan
dalam mekanisme search (pencarian). Dapat pula mengecek semua rule pada knowledge base
dalam arah forward maupun backward. Proses pencarian berlanjut sampai tidak ada rule yang
dapat digunakan atau sampai sebuah tujuan (goal) tercapai. w:st=onAda dua metode
inferencing dengan rules, yaitu forward chaining atau data-driven dan backward chaining
atau goal-driven.
a. Backward chaining

Menggunakan pendekatan goal-driven, dimulai dari ekspektasi apa yang

diinginkan terjadi (hipotesis), kemudian mengecek pada sebab-sebab yang
mendukung (ataupun kontradiktif) dari ekspektasi tersebut.

Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka
gunakan backward chaining.

b. Forward chaining

Forward chaining merupakan grup dari multiple inferensi yang melakukan

pencarian dari suatu masalah kepada solusinya.

Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan
meng-assert konklusi.

Forward chaining adalah data-driven karena inferensi dimulai dengan informasi

yang tersedia dan baru konklusi diperoleh.

Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan
forward chaining.